7 Sentiment Beispiele für Sentiment-Analyse
Wie die meisten Sentiment Technologien heute arbeiten
Sentiment-Analyse, manchmal auch Opinion Mining, ist eine der einfachsten und schnellsten Möglichkeiten herauszufinden, was die Verbraucher über eine Marke, ein Produkt oder ein Event denken. Es ist eine natürliche Sprachverarbeitungstechnik, die oft im Social Listening verwendet wird und darauf abzielt, Meinungen in einem Dokument zu identifizieren und einen entsprechenden Score von positiv, negativ oder neutral zuzuteilen.
Das ist zumindest die Theorie.
Es gibt nur wenige Dinge, die so sterbenslangweilig sind, wie das manuelle Taggen von Beiträgen mit dem richtigen Sentiment, weil die Technologie es nicht zuverlässig schafft.
Sentiment Analyse hat (ironischerweise) einen schlechten Ruf in der Social Listening-Branche, weil es immer noch manuelle Arbeit braucht, um wirklich wertvolle Ergebnisse abliefern zu können.
Unsere Datenwissenschaftler (das Team hinter unserer preisgekrönten Bilderkennungstechnologie) haben daran gearbeitet, das hinter den Kulissen zu verbessern, und ich freue mich, endlich ihre fantastischen Ergebnisse zu teilen.
Das Team hat eine Social-Sentiment-Technologie entwickelt, die auf Deep Learning Modellen basiert, und mit der Marken die Stimmung Ihrer Kunden mit einer Genauigkeit von 90% erfassen können. Diese KI-Technologie versteht zum ersten Mal wirklich die Bedeutung von ganzen Sätzen und ist in der Lage, Kundenmeinungen und kontextbasierte Reaktionen in Tweets, Posts und Artikeln genau zu bestimmen.
Die Sentiment-Analyse ist eine der vielseitigsten Technologien im Social Listening. Marken können Stimmungsindikatoren verwenden und mit einer Vielzahl von Daten kreuzen, um ein besseres Verständnis davon zu bekommen, was ihre Kunden denken. Schauen wir uns ein paar Beispiele an, in denen die Sentiment-Analyse von unschätzbarem Wert sein kann:
Viele unserer Kunden und Marketing-Teams arbeiten in Echtzeit. Mit der Sentiment-Analyse werden kritische Posts erkannt und sofort markiert. Teams können die Reaktionszeit reduzieren, da relevante Personen einen Alarm für Beiträge mit hohem Risiko bekommen.
Wenn wir über die Beitragsebene hinaus schauen, bietet sich die Sentiment-Analyse gut dafür an, die Kundenerfahrung zu verbessern. Zum Beispiel bewertet einer unserer größeren Kunden aus der Gastronomie regelmäßig verschiedene Aspekte seines Kundenservices. Nachdem eine große Anzahl von negativen Beiträgen auf Social Media bemerkt wurde, konnte ihre Budget-Hotelkette die Kundenerfahrung messbar verbessern, indem sie bessere Föne in allen verfügbaren Raumkategorien installierte.
Einer der Talkwalker-Tech-Industrie-Kunden verwendet die Sentiment-Analyse-Technologie, um genau im Blick zu behalten, wie sich Telefon-Features nach einer Produkteinführung verhalten. Während verschiedene Aspekte wie Kontrast, Helligkeit und Telefongröße vergleicht werden, stellt das Unternehmen seinen Entwicklungs-Abteilungen in Echtzeit Daten zur Verfügung, um zu beurteilen, wie sich der Produktlaunch entwickelt und auf welchen Produktaspekten der Fokus liegt.
Das Sentiment kann verwendet werden, um zu zeigen, wie die Öffentlichkeit auf Sponsoring-Initiativen reagiert.
Um die öffentliche Meinung über Corporate Social Responsibility Initiativen zu analysieren, können die Marken untersuchen, ob und wie sich die öffentliche Meinung verändert oder wie ihre Botschaften für wichtige Themen wie Nachhaltigkeit, Diversität oder Innovation angenommen werden.
Trends in einem breiten Spektrum monitoren, ist für viele Marken essenziell. So konnte eine Haushaltsmarke die Einstellungen gegenüber Küchenreinigern auf dem Markt auswerten, und fand heraus, dass der Geruch ein Faktor war, der am häufigsten abgelehnt wurde. Basierend auf dieser Recherche baten sie Ihr R&D Team ein Produkt zu entwickeln, welches sie mit “großartigem Geruch” als Unterscheidungsmerkmal, vermarkten können.
Für eine ihrer anderen Produktlinien beobachtet die Marke regelmäßig die Einstellung gegenüber Frühstückstrends, um auszuwerten, ob sie neue Geschmäcker oder Produkte auf den Markt bringen können.
Kunden, die auf mehreren Märkten tätig sind oder viele Franchise-Standorte verwalten, benutzen Sentimenttechnologie, um die Meinung über ihre Zulieferer, lokale Themen und Branchen zu tracken. Dies kann besonders hilfreich sein, um die interne Servicequalität zu bewerten.
Menschen sind zu den größten Treibern der öffentlichen Meinung über eine Marke geworden, weswegen viele Kunden nun tracken, wie die Vorstandsebene ihres Unternehmens wahrgenommen wird. In einem Fall hat sich herausgestellt, dass der CEO auf dem Markt nicht präsent war. Mithilfe von Einblicken in die Konkurrenz, identifizierte die Marke die idealen Themen, um ihn zu positionieren und war in der Lage sein öffentliches Profil zu stärken.
Sentimentanalyse ist ein unglaublich hilfreiches Werkzeug, das Marken in vielerlei Hinsicht für sich nutzen können. In den Reports vieler Marken spielen Sentimentindikatoren immer noch eine Nebenrolle, unter anderem, weil das Vertrauen in die Technologie gering ist. Im Folgenden schauen wir uns an warum das so ist und was getan werden kann, um dieses Problem zu beheben.
Es gibt zwei Wege auf denen sich die meisten Anbieter heutzutage dem Thema Sentiment nähern: Sentimentanalyse basierend auf einer Punktebewertung von Stichwörtern oder eine Berechnung basierend auf vordefinierten Kategorien.
Stichwörter mit Punkten zu bewerten, bedeutet, man gibt dem Wort “gut” einen positiven Wert, dem Wort “schlecht” einen negativen. Dieser Methode wohnen einige Mängel inne, die deutlich werden, wenn man sich einige dieser Beispiele genauer anschaut:
Beide Tweets sind, sofern die Technologie sich nur auf Stichwörter bezieht, fast nicht einzuordnen.
Einige Anbieter versuchen die Mängel der Technologie zu beheben, indem sie zusätzlich zur Punktebewertung Regeln einsetzen, aber das zugrundeliegende Problem bleibt bestehen: Die Bewertung von einzelnen Stichwörtern fängt nur Fragmente der Nachricht ein und niemals ihre wahre Bedeutung.
Keyword-Scoring kann einige lohnende Ergebnisse liefern, wenn man sich auf breitere Trends konzentriert oder die Resultate in Relation setzt. Aber auf einer granularen Ebene, zum Beispiel ein sarkastischer Tweet oder ein 13-Jähriger, der ein neues Videospiel "krank" nennt, bringt das System zum Einsturz.
Keyword-basierte Sentiment-Technologie kann keinen Kontext greifen, nur einzelne Wörter oder kleine Phrasen. Das verifizierte Genauigkeitsniveau bewegt sich typischerweise zwischen 50 und 80%. Das ist der Grund warum viele Marken Stimmungsindikatoren in ihren Berichten auslassen.
Der zweite Ansatz basiert auf der Idee, dass Sie den Benutzer ein paar Dutzend Ergebnisse (das Trainingsset) kategorisieren lassen und daraufhin ein Algorithmus die Entscheidungen für zukünftige Ergebnisse übernimmt.
Die Genauigkeit für vordefinierte Kategorien ist in der Regel höher als für Keyword-Scoring, aber das bedeutet nicht, dass es perfekt ist. Die manuelle Kategorisierung von Ergebnissen erfordert ein großes Zeitinvestment und ein Verständnis für potenzielle Themen, die möglicherweise um Ihre Marke entstehen könnten. Da diese Methode mit so engen Parametern für qualifizierende Ergebnisse arbeitet, ergeben sich in der Regel weniger Ergebnisse insgesamt.
Natürlich gibt es einen dritten Ansatz, den ich nicht erwähnt habe: Einige Marken und Agenturen nutzen keine Technologie aber dafür Code-Sentiment von Menschen.
Der Vorteil ist, dass die Genauigkeit nichts ist, über das sich Sorgen gemacht werden müsste. Die Leute werden hier und da nicht übereinstimmen (Sprache ist chaotisch), aber insgesamt bekommt man ein konkretes Bild.
Der Nachteil: Im Durchschnitt kann eine Person nur etwa 100 Dokumente pro Stunde klassifizieren. Marken können Tausende von Erwähnungen pro Tag bekommen. Von Codierungsübereinstimmungen mal abgesehen, unter Berücksichtigung der Zeit, in der Ihre Coder die kritische Erwähnung erreichen, könnte es bereits zu spät sein, darauf zu reagieren.
Schlimmer noch, wenn Marken die Konsumentengesinnung, um bestimmte Themen für die Marktforschung bestimmen möchten oder eine Momentaufnahme der Meinungen zu einem Trendthema erzielen wollen, sind die erheblichen Kosten für rechtzeitige Ergebnisse selten eine reelle Option für Marken.
Als die Einführung unserer Bilderkennungstechnologie Anfang 2016 so ein Erfolg war, wussten wir sofort, dass wir dieses Wissen auf die Sentiment-Technologie anwenden wollten. Das Talkwalker Datenwissenschaftler-Team hat hart gearbeitet, um Ergebnisse zu liefern, also lasst uns sehen, was dabei herausgekommen ist!
KI-Powered Sentiment arbeitet mit einem völlig neuen Ansatz. Zum ersten Mal versteht der Algorithmus die Bedeutung von vollen Sätzen und ist in der Lage, Kundengesinnungen und Kontextreaktionen in Tweets, Posts und Artikeln genau zu bestimmen.
Mit Deep Learning Modellen, die die kognitiven Funktionen des menschlichen Gehirns simulieren, kann die Technik komplexe Sprachmuster und ganze Sätze verstehen und sich sogar mit grundlegenden Formen von Sarkasmus und Ironie beschäftigen.
Bei der Entwicklung der Algorithmen, die jetzt verwendet werden, hat das Team einige Untersuchungen zur Bestimmung der Genauigkeit für die Beiträge unternommen. Die Genauigkeit des KI-unterstützten Sentiments wächst mit der Größe des Trainings-Sets, durch welches der Algorithmus "lernt", also mussten wir groß denken.
Die nachfolgende Untersuchung zeigt, wie die Größe des Training-Sets mit dem Prozentsatz der korrekt identifizierten Ergebnisse korreliert. Das bedeutete, dass das Team zig Millionen Ergebnisse klassifizieren musste, um die Genauigkeit von 90% zu gewährleisten, die der Algorithmus jetzt liefert.
Wir denken, in der Lage zu sein, die Stimmung genau zu klassifizieren, ist nur der Anfang. Mit einem einzigen Klick können Marken Benchmarks über die Markengesundheit erstellen, die Daten mit demografischen Informationen ergänzen oder sie mit einzelnen Produkt-Eigenschaften kombinieren, um ihre Kunden zu begeistern.
Wir freuen uns, die Vorteile der neuen Technologie in Aktion zu sehen. Zögern Sie nicht sich mit uns in Verbindung zu setzen, wenn Sie es ausprobieren möchten. Wir LIEBEN diese Funktion.